【文章內(nèi)容簡(jiǎn)介】 綜合方法。早期靜態(tài)人臉識(shí)別方法研究較多的是基于幾何特征的方法和基于模板匹配方法。目前，靜止圖像的人臉識(shí)別方法主要是基于樣本通過(guò)統(tǒng)計(jì)學(xué)習(xí)識(shí)別人臉的方法，主要研究方向有:基于代數(shù)特征的識(shí)別方法，包括特征臉(Eigenface)方法[8]和隱馬爾可夫模型(HMM)方法[31]；基于連接機(jī)制的識(shí)別方法，包括一般的神經(jīng)網(wǎng)絡(luò)方法和彈性圖匹配(Elastic Graph Matching)方法[32]，以及以上方法的一些綜合方法?；诮y(tǒng)計(jì)學(xué)習(xí)的方法屬于基于整體的研究方法，它主要考慮了模式的整體屬性。因?yàn)榛谡w的人臉識(shí)別不僅保留了人臉部件的拓?fù)潢P(guān)系，而且也保留了各部件本身的信息。文獻(xiàn)[27]認(rèn)為基于整個(gè)人臉的分析要優(yōu)于基于部件的分析，理由是前者保留了更多信息。對(duì)于基于整個(gè)人臉的識(shí)別而言，由于把整個(gè)人臉圖像作為模式，那么光照、視角以及人臉尺寸會(huì)對(duì)人臉識(shí)別有很大的影響，因此如何能夠有效的去掉這些干擾就尤為關(guān)鍵。神經(jīng)網(wǎng)絡(luò)的方法在人臉識(shí)別上有其獨(dú)到的優(yōu)勢(shì)，即它避免了復(fù)雜的特征提取工作，可以通過(guò)學(xué)習(xí)的過(guò)程獲得其它方法難以實(shí)現(xiàn)的關(guān)于人臉識(shí)別的規(guī)律和規(guī)則的隱性表達(dá)。但是NN方法通常需要將人臉作為一個(gè)一維向量輸入，因此輸入節(jié)點(diǎn)龐大，降維就顯得尤為重要。根據(jù)文獻(xiàn)[32]對(duì)于自組織神經(jīng)網(wǎng)絡(luò)方法的分析，認(rèn)為可采用自組織神經(jīng)網(wǎng)絡(luò)的P個(gè)節(jié)點(diǎn)來(lái)表達(dá)原始的N個(gè)輸入(PN)，但由于將P個(gè)節(jié)點(diǎn)進(jìn)行分類(lèi)，其識(shí)別的效果僅相當(dāng)于提取人臉空間特征向量后進(jìn)行的識(shí)別分類(lèi)，因此采用此類(lèi)神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別的效果只能是特征臉的水平。除此之外，由于人臉處在高維空間，如一幅不大的100x100的圖像為10000維，這樣神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)將很龐大，因此實(shí)際訓(xùn)練網(wǎng)絡(luò)的參數(shù)繁多，實(shí)現(xiàn)起來(lái)很困難。神經(jīng)網(wǎng)絡(luò)方法的優(yōu)點(diǎn)是可以針對(duì)特定的問(wèn)題進(jìn)行子空間設(shè)計(jì)，比如用于人臉檢測(cè)、性別識(shí)別、種族識(shí)別等(不屬于本文的研究?jī)?nèi)容)。鑒于以上考慮，本文未對(duì)此方法進(jìn)行重點(diǎn)研究。圖12 可以提取的各種人臉特征，圖下方為各種特征的綜合方式通過(guò)對(duì)不同的人臉識(shí)別分類(lèi)方法的總結(jié)，多視角的、全面的介紹了主要的人臉識(shí)別方法。從對(duì)人臉識(shí)別方法的分析中可以看出，每種方法各有其優(yōu)缺點(diǎn)，因此一些學(xué)者傾向于將多種方法綜合起來(lái)，或同時(shí)利用不同種類(lèi)的特征，圖12為人臉圖像可以提取的特征以及可能的特征綜合方法。在對(duì)各種人臉識(shí)別方法進(jìn)行理論分析后，本文主要研究基于統(tǒng)計(jì)學(xué)習(xí)的、整體的人臉識(shí)別方法，包括特征臉?lè)ā⒒讵?dú)立分量分析的人臉識(shí)別方法和基于隱馬爾可夫模型的人臉識(shí)別方法，并嘗試新的特征提取和分類(lèi)方法。 人臉識(shí)別是近年來(lái)研究的熱點(diǎn)，各國(guó)研究人員提出了各種新的識(shí)別算法，為測(cè)試和比較各種識(shí)別技術(shù)的優(yōu)缺點(diǎn)及其識(shí)別率的高低，世界各研究機(jī)構(gòu)都建立了各自的人臉測(cè)試和測(cè)評(píng)數(shù)據(jù)庫(kù)，下面介紹一些著名的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)。1. 英國(guó)ORL(O一Olivertti Research Laboratory)人臉數(shù)據(jù)庫(kù) ORL人臉圖像庫(kù)是由英國(guó)劍橋011vetti實(shí)驗(yàn)室從1992年4月到1994年4月期間拍攝的一系列人臉圖像組成，共有40個(gè)不同年齡、不同性別和不同種族的對(duì)象。每個(gè)對(duì)象10幅圖像共計(jì)400幅灰度圖像組成，圖像尺寸為92xlZl，圖像背景為黑色。其中人臉部分表情和細(xì)節(jié)均有變化，例如笑與不笑，眼睛睜著或閉著，戴或不戴眼鏡等，人臉姿態(tài)也有變化，其深度旋轉(zhuǎn)和平面旋轉(zhuǎn)可達(dá)20度，人臉的尺寸也有最多10%的變化。該庫(kù)是目前使用最廣泛的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)，它含有大量的比較結(jié)果。2. 英國(guó)Manchester人臉數(shù)據(jù)庫(kù) 該數(shù)據(jù)庫(kù)由30人的690幅圖像組成，圖像有不同的光照和背景特征，而且對(duì)于每個(gè)人而言，前后兩張照片之間的時(shí)間間隔至少為3周。訓(xùn)練集對(duì)光源有一定的約束。雖然Manchester人臉數(shù)據(jù)庫(kù)遠(yuǎn)比ORL數(shù)據(jù)庫(kù)全面，但因發(fā)表的比較結(jié)果不夠多，從而遠(yuǎn)不如ORL數(shù)據(jù)庫(kù)使用廣泛。3. Yale耶魯人臉庫(kù) 該數(shù)據(jù)庫(kù)包括15人每個(gè)人11幅正視圖，每幅圖像具有不同的面部表情、有或者無(wú)眼鏡，這些圖像在不同光照條件下拍攝。該庫(kù)的特點(diǎn)就是光照變化顯著，且有面部部分遮掩。4. 歐洲M2VTS多模型數(shù)據(jù)庫(kù) 該庫(kù)是用來(lái)作為多模型輸入的通路控制實(shí)驗(yàn)，它包括37個(gè)人的序列人臉圖像。每人的5幅圖像間隔一個(gè)星期，每個(gè)圖像序列包括從右側(cè)輪廓(90度)到左側(cè)輪廓(90度)之間的圖像，而且拍攝時(shí)每個(gè)人用他們的母語(yǔ)從一到九數(shù)數(shù)。該庫(kù)主要用于測(cè)試多模式身份識(shí)別。5. 美國(guó)FERET(Face Recognition Technology)人臉數(shù)據(jù)庫(kù) FERET人臉數(shù)據(jù)庫(kù)是目前最大的人臉數(shù)據(jù)庫(kù)，由美國(guó)軍方研究實(shí)驗(yàn)室提供，其中每人的圖像數(shù)目不等，有些人提供了更多不同視點(diǎn)和不同表情的照片。該數(shù)據(jù)庫(kù)中不包含戴眼鏡的照片，拍攝條件也有一定的限制。人臉大小約束在規(guī)定范圍內(nèi)。1996年6月，該數(shù)據(jù)庫(kù)己存儲(chǔ)了1199個(gè)人的14126幅圖像，而且逐年增加。但到目前為止，該數(shù)據(jù)庫(kù)并未提供運(yùn)動(dòng)圖像系列或包含語(yǔ)言信息。FERTE數(shù)據(jù)庫(kù)的最大缺點(diǎn)是非美研究機(jī)構(gòu)的獲取不便。其他數(shù)據(jù)庫(kù)還有CMU(Carnegie Mellon University)正面人臉數(shù)據(jù)庫(kù)，MIT單人臉數(shù)據(jù)庫(kù)等。不同的人臉數(shù)據(jù)庫(kù)，圖像的質(zhì)量和內(nèi)容也是不同的，為了客觀的、全面的測(cè)試人臉識(shí)別方法的性能，考慮不同因素對(duì)識(shí)別方法的影響，本文的人臉識(shí)別方法主要應(yīng)用了ORL、Manchester、Yale和部分FERET人臉數(shù)據(jù)庫(kù)進(jìn)行測(cè)試。 本文主要研究基于靜止圖像的正面人臉識(shí)別技術(shù)，方法包括基于主分量分析的人臉識(shí)別方法、基于獨(dú)立分量分析的人臉識(shí)別方法和基于隱馬爾可夫模型的人臉識(shí)別方法。在分析人臉識(shí)別方法理論基礎(chǔ)的同時(shí)，針對(duì)其中的特征提取與分類(lèi)識(shí)別的關(guān)鍵環(huán)節(jié)進(jìn)行了改進(jìn)，提高了識(shí)別性能。第2章 基于主分量分析的人臉識(shí)別方法 早期的人臉識(shí)別方法主要是基于幾何特征的方法和基于模板匹配的方法?；谥鞣至糠治?Pr1neipal Components Analysis，PCA)的人臉識(shí)別方法是首次將人臉看作一個(gè)整體，特征提取由手工定義到利用統(tǒng)計(jì)學(xué)習(xí)自動(dòng)獲取特征，是人臉識(shí)別方法上的一個(gè)重要轉(zhuǎn)變。在該方法的發(fā)展過(guò)程中，sirovich和Kirby首先將K一L變換(Karhunen一Loeve Transfer)用于人臉圖像的最優(yōu)表示[33]，Turk和Pentland進(jìn)一步提出了“特征臉”(Eigenfaces)這個(gè)概念，該方法又被稱為“特征臉?lè)ā盵34]。特征臉?lè)ㄊ菍⒄麄€(gè)人臉的圖像區(qū)域看作一隨機(jī)向量，通過(guò)CPA獲取正交向量基的方法。其中對(duì)應(yīng)較大特征值的向量基具有與人臉相似的形狀，所以被稱為特征臉，如圖21。圖21 FERET人臉庫(kù)中提取的特征臉示例利用這些向量基的線性組合可以描述、表達(dá)和逼近人臉圖像，因此可以進(jìn)行人臉的識(shí)別與合成。識(shí)別過(guò)程就是將人臉圖像映射到由特征臉張成的子空間上，比較其與己知人臉在特征臉空間中的位置，完成分類(lèi)識(shí)別的。PAC至今仍是傳統(tǒng)的人臉特征提取方法。 本章首先以多維數(shù)據(jù)的統(tǒng)計(jì)變換的概念引出主分量分析的基本理論和主要特點(diǎn)；其次介紹基于CPA的人臉特征提取方法和人臉識(shí)別方法:最后從理論分析結(jié)合實(shí)驗(yàn)結(jié)果論述基于PCA的人臉識(shí)別方法存在不足。人臉圖像原始特征的數(shù)量很大，或者說(shuō)樣本處于一個(gè)高維空間中，通過(guò)映射(或變換)的方法可以用低維空間來(lái)表示樣本，這個(gè)過(guò)程稱為特征提取。如果不對(duì)特征進(jìn)行選擇而直接進(jìn)行分類(lèi)器設(shè)計(jì)，無(wú)論從計(jì)算的復(fù)雜程度還是分類(lèi)器性能來(lái)看都是不適宜的。因此研究如何將高維數(shù)據(jù)空間壓縮到低維特征空間以便有效的識(shí)別分類(lèi)便成為一個(gè)重要的課題。特征的選擇和提取的基本任務(wù)是從樣本的許多特征中找出那些最有效的特征，所以它滿足以下兩條原則:，降低人臉表示的維數(shù)，減少數(shù)據(jù)計(jì)算量；，最能表現(xiàn)不同人臉間差異的特征，以提高識(shí)別率。映射后的特征稱為二次特征，它們是原始特征的某種組合(通常是線性組合)。所謂特征提取在廣義上就是一種變換。在科學(xué)研究的眾多研究領(lǐng)域，一個(gè)普遍存在的問(wèn)題是如何從采集的數(shù)據(jù)中獲取信息。隨著科技的高速發(fā)展，大量數(shù)據(jù)的測(cè)量及存儲(chǔ)已經(jīng)不再成為問(wèn)題，但是獲取數(shù)據(jù)本身所含的信息是不夠的，提取產(chǎn)生這些數(shù)據(jù)的系統(tǒng)的固有的信息才是根本目的所在。在諸如數(shù)據(jù)分析、信號(hào)處理、神經(jīng)網(wǎng)絡(luò)等應(yīng)用領(lǐng)域，找到多維數(shù)據(jù)的一個(gè)恰當(dāng)?shù)拿枋鍪墙?jīng)常會(huì)遇到的問(wèn)題。為了使問(wèn)題盡可能的簡(jiǎn)單化以及考慮到計(jì)算的復(fù)雜性，最好使得這種描述是一個(gè)對(duì)原始數(shù)據(jù)的線性變換，因?yàn)檫@會(huì)對(duì)各種形式的后繼分類(lèi)帶來(lái)極大的方便，如數(shù)據(jù)壓縮、特征提取、模式識(shí)別等。在多維信號(hào)處理中，為了便于研究，通常把采集得到的數(shù)據(jù)(如一系列人臉圖像)看作多維隨機(jī)信號(hào)的一系列樣本值，以便于將隨機(jī)矢量的數(shù)值統(tǒng)計(jì)方法[36][37]應(yīng)用到原數(shù)據(jù)。這樣做雖然忽略了信號(hào)的時(shí)間特性，但是可以盡可能的利用其統(tǒng)計(jì)特性。假設(shè)所有分量都是零均值的，即有E{x}=0，如果不滿足此條件，通過(guò)減去其均值可以很容易獲得。對(duì)多維信號(hào)x=(x1,x2，…，xn)T的某一觀測(cè)樣本矢量，其中x1，i=l，2，…，n為各個(gè)分量，按照某種規(guī)則對(duì)其做線性變換，記為T(mén):Rn→Rm, Y=Tx (21)y=(y1，y2，…，ym)T為變換后的結(jié)果。假設(shè)這里T是一個(gè)線性變換，于是y中的每個(gè)分量都是原數(shù)據(jù)所有分量的線性組合: (22)對(duì)應(yīng)每個(gè)yi的一組系數(shù)wij,j=1，2，…，n稱為一個(gè)基向量，式(22)寫(xiě)出矩陣形式為: Y=Wx (23)所以多維數(shù)據(jù)的線性變換就是按照一定的準(zhǔn)則尋找一系列的加權(quán)系數(shù)瑪組成線性變換矩陣砰中的各個(gè)基向量(碎的行向量)，而這m個(gè)基向量構(gòu)成一個(gè)新的坐標(biāo)系。將原數(shù)據(jù)在這樣一個(gè)坐標(biāo)系上展開(kāi)，得到各個(gè)分量便是變換的結(jié)果。要求變換后的數(shù)據(jù)夕在最大程度上體現(xiàn)原數(shù)據(jù)間隱含的實(shí)質(zhì)結(jié)構(gòu)，并且y的各個(gè)分量盡可能的代表產(chǎn)生原數(shù)據(jù)的系統(tǒng)本身的物理機(jī)制。基于多維隨機(jī)變量統(tǒng)計(jì)分析的框架，變換矩陣砰的尋找方法通常是建立在一個(gè)體現(xiàn)輸出結(jié)果y的統(tǒng)計(jì)特性的目標(biāo)函數(shù)g(y)的基礎(chǔ)上。而這種統(tǒng)計(jì)特性因算法中的基本準(zhǔn)則不同而不同，可能是一階、二階的，如相關(guān)系數(shù)、協(xié)方差等；也可能是高階的，如互信息、非高斯性等，這樣隨之產(chǎn)生了不同的線性變換技術(shù)，如主分量分析(PCA)、奇異值分解(SVD)、投影法(Projection Pursuit)等[38]。簡(jiǎn)而言之，所有的線性變換都是尋找這樣的砰矩陣，只是因輸出y的目標(biāo)函數(shù)的不同，使得不同方法得到不同的變換矩陣。主分量分析的目的是在數(shù)據(jù)空間中找到一組向量以盡可能的解釋數(shù)據(jù)的方差，最終將數(shù)據(jù)從原來(lái)的n維空間降到m維(nm)，降維后仍保存了數(shù)據(jù)中的主要信息。主分量分析是一種正交變換，在多維數(shù)據(jù)統(tǒng)計(jì)分析中是一個(gè)應(yīng)用廣泛的工具。假設(shè)原始向量特征維數(shù)為n，即xi=(xi1，xi2，…，xni)T，i=1，2，…，N，要求構(gòu)造N個(gè)新的特征yl，y2，…，yn，并使它們滿足以下的條件:，即 (24) b. 各個(gè)新變量之間是不相關(guān)的，即相關(guān)系數(shù)為零: (25) c. wi使yi的能量達(dá)到極大，i=1，2，…，N 可以證明滿足條件的城為樣本的協(xié)方差矩陣Sx=E{XXT}，對(duì)應(yīng)于λi特征值的正交規(guī)范化的特征向量ui，滿足以上條件的新特征y1，y2，…，yn分別稱為樣本點(diǎn)的第1，2，…，N個(gè)主分量。令W=(ul，u2，…，un)T，且滿足正交歸一化，即 (26)經(jīng)過(guò)Y=WTX的變換之后，因?yàn)閄的協(xié)方差矩陣SX為實(shí)對(duì)稱陣必然與一個(gè)對(duì)角陣相似，所以對(duì)應(yīng)于Y的協(xié)方差矩陣如下式: (27) 這就是說(shuō),新特征y1，y2， …，yn兩兩之間的協(xié)方差為零，即它們是不相關(guān)的。由于yi也是零均值，每個(gè)特征的方差數(shù)值E{yi2}在一定意義下反映了它所包含的能量即信息量。由前面敘述可知，所有這些映射矢量作為基向量，便構(gòu)成主分量分析對(duì)應(yīng)的變換矩陣W={w1，w2，…，wm，…，wn，}T其中前幾個(gè)基向量wl，w2，…，wm，對(duì)應(yīng)能量占主導(dǎo)地位的幾個(gè)主分量的映射方向，現(xiàn)將余下的基向量置零，得到W?={wl，w2，…，wm，0，0，…,0}T。利用W?對(duì)信號(hào)進(jìn)行近似恢復(fù)，得到x?=W?W? Tx。其中W? Tx為所選擇的前m個(gè)主分量。重構(gòu)信號(hào)的均方誤差為E{||xx?||2}。當(dāng)選擇m個(gè)主分量去重構(gòu)原信號(hào)時(shí)，由于原信號(hào)的維數(shù)nm，所以從信號(hào)維數(shù)的角度來(lái)講PCA起到了對(duì)信號(hào)降維的作用。在很多情況下，有效的降維會(huì)使得在最大程度保持原信號(hào)中所蘊(yùn)涵的信息的情況下，大大降低運(yùn)算復(fù)雜度。譬如在進(jìn)行人臉識(shí)別應(yīng)用中，輸入的人臉圖像的維數(shù)往往很高，采用P以方法對(duì)其進(jìn)行特征提取可以降低樣本的維數(shù)，從而降低計(jì)算復(fù)雜度，提高了計(jì)算速度。 主分量分析是是一種基于統(tǒng)計(jì)特征的最佳正交變換，稱其為最佳變換是因?yàn)樗哂袃?yōu)良的性質(zhì)，使變換后產(chǎn)生的新的分量正交或不相關(guān)。主分量分析也是一種最小均方誤差(MSE)意義下的最優(yōu)變換[39]。也就是說(shuō)，變換后的信號(hào)能量主要集中在前幾個(gè)主分量中，而由這少數(shù)幾個(gè)主分量張成的子空間去重構(gòu)原信號(hào)，逼近效果從最小均方誤差意義下是最優(yōu)的。主分量分析使變換矢量更趨確定，能量更趨集中等，這使得它在特征提取、數(shù)據(jù)壓縮等方面都有著及其重要的作用。任何基于統(tǒng)計(jì)學(xué)習(xí)的模式識(shí)別系統(tǒng)都包括兩個(gè)過(guò)程，一個(gè)是訓(xùn)練階段(training Process)，二是測(cè)試階段(testing process)，且兩個(gè)階段都需要特征提取，應(yīng)用CAP的人臉識(shí)別系統(tǒng)也不例外。假定在訓(xùn)練階段，數(shù)據(jù)庫(kù)中有K個(gè)人，每個(gè)人有M幅人臉灰度圖像，其中每一幅圖像都用NxN的二維數(shù)組I(x，y)來(lái)表示，數(shù)組元素表示象素點(diǎn)的灰度值。同樣，每一幅圖像都可以視為一個(gè)N2xI的向量。因此，它等同于N2維的人臉象素域空間中的一個(gè)點(diǎn)。設(shè)xij表示一個(gè)N2xI的向量來(lái)表示數(shù)據(jù)庫(kù)中第i個(gè)人的第j幅圖像(0≤